CN116916033A - 一种基于随机自适应傅里叶分解的联合时空视频压缩方法 - Google Patents
一种基于随机自适应傅里叶分解的联合时空视频压缩方法 Download PDFInfo
- Publication number
- CN116916033A CN116916033A CN202211004880.0A CN202211004880A CN116916033A CN 116916033 A CN116916033 A CN 116916033A CN 202211004880 A CN202211004880 A CN 202211004880A CN 116916033 A CN116916033 A CN 116916033A
- Authority
- CN
- China
- Prior art keywords
- target
- video
- frame image
- compressed
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006835 compression Effects 0.000 title claims abstract description 192
- 238000007906 compression Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/31—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability in the temporal domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/33—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability in the spatial domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/40—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video transcoding, i.e. partial or full decoding of a coded input stream followed by re-encoding of the decoded output stream
Abstract
本申请提供一种基于随机自适应傅里叶分解的联合时空视频压缩方法,涉及计算机技术领域。该方法包括:获取待压缩视频中各连续W帧图像对应的目标联合信号,目标联合信号包括:时间域信号和空间域信号,W为大于1的整数;根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数;根据预设编码算法,对待压缩视频对应的目标压缩参数进行编码,获取待压缩视频的目标视频压缩结果,应用本申请实施例,能够减少数据压缩量,可以有效提高视频压缩方法的压缩效率。
Description
本申请对2022年06月24日提出的发明创造名称为“视频压缩方法、设备及存储介质”、申请号为202210738985.2的中国发明专利申请,申请优先权,其内容通过引用合并于此。
技术领域
本申请涉及计算机技术领域,特别涉及一种基于随机自适应傅里叶分解的联合时空视频压缩方法。
背景技术
视频是连续的图像序列,由连续的帧构成,一帧即为一幅图像。其中,为便于对视频进行储存及传输,一般需要对原始的视频进行编码压缩,以去除空间、时间维度的冗余。
现有技术中,对视频进行压缩时,一般基于深度学习方法,利用深度学习模型来替代传统框架中的某些模块,如预测内编码、预测间编码、剩余编码、后处理等。
但由于深度学习模型的训练需要大规模的训练数据,且训练时间较长,因此,现有的视频压缩方法存在压缩效率较低的问题。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种基于随机自适应傅里叶分解的联合时空视频压缩方法,可以提高压缩效率。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本发明提供一种基于随机自适应傅里叶分解的联合时空视频压缩方法,包括:
获取待压缩视频中各连续W帧图像对应的目标联合信号,所述目标联合信号包括:时间域信号和空间域信号,所述W为大于1的整数;
根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数;
根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果。
在可选的实施方式中,所述根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数,包括:
对各所述目标联合信号进行希尔伯特变换,获取转换后的各目标联合信号;
根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数,包括:
基于随机自适应傅立叶分解算法,从预设字典空间中确定所述转换后的各目标联合信号对应的多个目标公共原子,所述预设字典空间包括多个预设原子,其中,多个所述目标公共原子用于对转换后的各目标联合信号进行稀疏表示;
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,每个所述目标公共原子中包括;公共压缩参数;所述根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数,包括:
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的有理正交系统的压缩系数;
计算所述转换后的各目标联合信号和多个所述目标公共原子对应的重构联合信号之间的信号差;
若确定所述信号差小于预设阈值,则确定各所述目标公共原子对应的公共压缩参数和所述有理正交系统对应的压缩系数为所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述获取待压缩视频中各连续W帧图像对应的目标联合信号,包括:
获取所述待压缩视频中的关键帧图像和预测帧图像,并获取各所述预测帧图像与其所对应的所述关键帧图像之间的残差图像;
根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,所述根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号,包括:
根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,所述I为大于1的整数;
获取各所述关键帧图像和其所对应的各所述残差图像中各图像块的排列位置;
对各所述关键帧图像和其所对应的各所述残差图像中排列位置相同的图像块对应的图像信号进行整合得到I个联合信号,并将所述I个联合信号作为待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,若所述关键帧图像中包括彩色图像帧,所述根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,包括:
分别获取各所述关键帧图像和其所对应的各所述残差图像对应的红绿蓝通道图像;
根据预设划分方法,将各通道图像划分为I个图像块。
在可选的实施方式中,所述根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果之后,所述方法还包括:
对所述目标视频压缩结果进行解码,获取所述目标视频压缩结果对应的目标压缩参数;
根据所述目标视频压缩结果对应的目标压缩参数,基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,获取解压后的目标视频。
第二方面,本发明提供一种基于随机自适应傅里叶分解的联合时空视频压缩装置,包括:
获取模块,用于获取待压缩视频中各连续W帧图像对应的目标联合信号,所述目标联合信号包括:时间域信号和空间域信号,所述W为大于1的整数;
确定模块,用于根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数;
编码模块,用于根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果。
在可选的实施方式中,所述确定模块,具体用于对各所述目标联合信号进行希尔伯特变换,获取转换后的各目标联合信号;
根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述确定模块,具体用于基于随机自适应傅立叶分解算法,从预设字典空间中确定所述转换后的各目标联合信号对应的多个目标公共原子,所述预设字典空间包括多个预设原子,其中,多个所述目标公共原子用于对转换后的各目标联合信号进行稀疏表示;
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,每个所述目标公共原子中包括;公共压缩参数;所述确定模块,具体用于根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的有理正交系统的压缩系数;
计算所述转换后的各目标联合信号和多个所述目标公共原子对应的重构联合信号之间的信号差;
若确定所述信号差小于预设阈值,则确定各所述目标公共原子对应的公共压缩参数和所述有理正交系统对应的压缩系数为所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述获取模块,具体用于获取所述待压缩视频中的关键帧图像和预测帧图像,并获取各所述预测帧图像与其所对应的所述关键帧图像之间的残差图像;
根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,所述获取模块,具体用于根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,所述I为大于1的整数;
获取各所述关键帧图像和其所对应的各所述残差图像中各图像块的排列位置;
对各所述关键帧图像和其所对应的各所述残差图像中排列位置相同的图像块对应的图像信号进行整合得到I个联合信号,并将所述I个联合信号作为待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,若所述关键帧图像中包括彩色图像帧,所述获取模块,具体用于分别获取各所述关键帧图像和其所对应的各所述残差图像对应的红绿蓝通道图像;
根据预设划分方法,将各通道图像划分为I个图像块。
在可选的实施方式中,所述编码模块,还用于对所述目标视频压缩结果进行解码,获取所述目标视频压缩结果对应的目标压缩参数;
根据所述目标视频压缩结果对应的目标压缩参数,基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,获取解压后的目标视频。
第三方面,本发明提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如前述实施方式任一所述基于随机自适应傅里叶分解的联合时空视频压缩方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如前述实施方式任一所述基于随机自适应傅里叶分解的联合时空视频压缩方法的步骤。
本申请的有益效果是:
本申请实施例提供的基于随机自适应傅里叶分解的联合时空视频压缩方法中,包括:获取待压缩视频中各连续W帧图像对应的目标联合信号,目标联合信号包括:时间域信号和空间域信号,W为大于1的整数;根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数;根据预设编码算法,对待压缩视频对应的目标压缩参数进行编码,获取待压缩视频的目标视频压缩结果,应用本申请实施例,能够减少数据压缩量,相较于现有技术中通过深度学习模型进行训练的方法,由于无需大规模的训练数据,且无需进行大量的参数训练,因此,可以有效提高视频压缩方法的压缩效率。此外,本申请基于目标联合信号可以表征各连续W帧图像在时域和空域上的信号,可以保证待压缩视频数据结构的完整性,保证压缩效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图2为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图3为本申请实施例提供的一种视频转换示意图;
图4为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图5为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图6为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图7为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图8为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图9为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图;
图10为本申请实施例提供的一种基于随机自适应傅里叶分解的联合时空视频压缩装置的功能模块示意图;
图11为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在介绍本申请之前,首先对本申请中的相关名词进行解释说明:
空间域(spatial domain),也叫空域,即所说的像素域,在空域的处理就是在像素级的处理,如在像素级的图像叠加;通过傅立叶变换后,得到的是图像的频谱,表示图像的能量梯度。
时间域(时域),自变量是时间,即横轴是时间,纵轴是图像信号的变化。
稀疏表示:表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号,可以获得信号更为简洁的表示方式,从而使我们更容易地获取信号中所蕴含的信息,更方便进一步对信号进行加工处理,如压缩、编码等。对于字典的选择,一般有分析字典和学习字典两大类;常用的分析字典有小波字典、超完备DCT字典和曲波字典等;常用的学习字典的方法包括:最优方向(Method Of Optimal Directions,MOD)算法、如FOCUSS字典学习算法,广义PCA(Generalized PCA)算法、基于超完备字典稀疏分解的K-SVD算法、online字典学习算法等,在此不作限定。
希尔伯特变换:一个连续时间信号x(t)的希尔伯特变换等于该信号通过具有冲激响应h(t)=1/πt的线性系统以后的输出响应xh(t)。
自适应傅立叶分解(adaptive Fourier decomposition,AFD):是用一类新的函数,称为单分量函数去逼近一般函数的新的函数逼近方法,是经典的Fourier分析的发展,AFD中字典是使用可解释的核预定义的,分解是通过自适应选择字典中的原子来实现的,其可以根据输入信号自适应地选择有理正交系统(Takenaka-Malmquist,TM)的参数,TM系统依赖于单位圆盘/>中的k个参数/>其中,取al=0,则TM系统即为傅立叶系统。由于TM系统的特性,AFD实现了非负瞬时频率分解。此外,AFD在每个分解步骤可以采用极大选择原则,通过最大能量近似实现参数的最优选择。
随机自适应傅立叶分解(stochastic adaptive Fourier decomposition,SAFD):是基于AFD发展的一种多信号稀疏表示方法,其将传统的信号分解方法与机器学习相结合,自适应地将多个信号分解为预定义的可解释的核字典内的公共原子。与AFD相比,AFD及其变体是为单个确定性信号的稀疏表示而设计的,而SAFD是建立在一个定义的具有相同字典的随机希尔伯特空间中,这是一个比再生核希尔伯特空间更一般的概念,SAFD的目标是使用一组共同原子同时分解多个信号。
图1为本申请实施例提供的一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图,该方法的执行主体可以是计算机、服务器、处理器等具备数据处理能力的电子设备。如图1所示,该视频压缩方法可以包括:
S101、获取待压缩视频中各连续W帧图像对应的目标联合信号,目标联合信号包括:时间域信号和空间域信号。
其中,W为大于1的整数,可选地,W的取值可以是30、50、60等任意取值,在此不作限定。
对于视频来说,其属于三维时空数据,跨越了时域和空域,本申请实施例在对待压缩视频进行压缩时,对于各连续W帧图像,其可以对应一目标联合信号,每个目标联合信号可以表征该连续W帧图像对应的时间域(时域)信号和空间域(空域)信号,也即通过目标联合信号可以在时域和空域上联合表示连续的W帧图像,如此可以保证待压缩视频数据结构的完整性。
基于上述说明,可以理解的是,根据待压缩视频所包括的连续W帧图像的数量,则可以确定该待压缩视频对应目标联合信号的数量。
S102、根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数。
其中,关于随机自适应傅立叶分解算法可参见前述的说明,在此不再赘述。在获取到各连续W帧图像对应的目标联合信号之后,则可以基于SAFD确定TM系统中待压缩视频对应的目标压缩参数,其中,目标压缩参数可以包括多个,根据待压缩视频的不同,可以对应不同的目标压缩参数。
S103、根据预设编码算法,对待压缩视频对应的目标压缩参数进行编码,获取待压缩视频的目标视频压缩结果。
其中,该预设编码算法可以是熵编码算法,也即编码过程中按熵原理不丢失任何信息的无损编码,可选地,对应的熵编码算法可以包括:香农(Shannon)编码、哈夫曼(Huffman)编码、算术编码(arithmetic coding)等,在此不作限定。在确定了待压缩视频对应的目标压缩参数之后,则可以对其进行编码,得到压缩码流,该压缩码流则可以作为待压缩视频的目标视频压缩结果。
值得说明的是,对待压缩视频对应的目标压缩参数进行编码之前,还可以对该目标压缩参数进行量化,对量化后的目标压缩参数进行编码,从而得到目标视频压缩结果。
在一些实施例中,也可以将上述步骤S101和步骤S102进行整合得到其对应的视频压缩模型,在本申请实施例中将其称为联合时空模型(joint spatiotemporal model,JSTM),也即可以同时对视频数据进行空间和时间维度上的压缩,与基于深度学习的方法相比,该方法可以通过自适应地选取参数来提取目标联合信号的特征,且无需进行大量的参数训练,因此,可以提高视频压缩方法的压缩效率。
综上,本申请实施例提供一种基于随机自适应傅里叶分解的联合时空视频压缩方法,该方法可以包括:获取待压缩视频中各连续W帧图像对应的目标联合信号,目标联合信号包括:时间域信号和空间域信号,W为大于1的整数;根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数;根据预设编码算法,对待压缩视频对应的目标压缩参数进行编码,获取待压缩视频的目标视频压缩结果,应用本申请实施例,能够减少数据压缩量,相较于现有技术中通过深度学习模型进行训练的方法,由于无需大规模的训练数据,且无需进行大量的参数训练,因此,可以有效提高视频压缩方法的压缩效率。此外,本申请基于目标联合信号可以表征各连续W帧图像在时域和空域上的信号,可以保证待压缩视频数据结构的完整性,保证压缩效果。
图2为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图2所示,上述根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数的步骤,可以包括:
S201、对各目标联合信号进行希尔伯特变换,获取转换后的各目标联合信号。
其中,目标联合信号是实数信号,参见希尔伯特变换的定义可知,通过对目标联合信号进行希尔伯特变换,则将可以目标联合信号转换为复数信号,也即可以将三维的视频数据嵌入到二维的复平面中。
S202、根据转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数。
其中,对于转换后的各目标联合信号,则可以基于SAFD自适应逐层提取特征,在每个分解层对上一层的残差信号进行分解,通过逐层分解的方式使得SAFD中的分解函数不断逼近于待压缩视频对应的目标联合信号,当逼近误差小于预设阈值时,则确定SAFD中分解函数中的各参数为待压缩视频对应的目标压缩参数。
图3为本申请实施例提供的一种视频转换示意图,如图3所示,该图可以显示联合时空嵌入过程,其中x和y方向可以组成空域,t对应于时域。各连续W帧图像A可以对应多个目标联合信号其中,M表示目标联合信号的个数,z表示复数变量,i表示待压缩视频中各关键帧图像和其所对应的各残差图像被划分的图像块的数量,也即待压缩视频可以对应多个目标联合信号,通过希尔伯特变换,可以得到转换后的各目标联合信号。基于SAFD学习目标公共原子,实现了可以将三维的待压缩视频对应的各连续W帧图像嵌入到由SAFD得到的具有公共原子的二维复平面G上,该嵌入方法大大降低了数据的时空相关性,可以自适应用频率域特征表示三维信号,实现了数据降维和特征提取的目的。
图4为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图4所示,上述根据转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定待压缩视频对应的目标压缩参数的步骤,包括:
S301、基于随机自适应傅立叶分解算法,从预设字典空间中确定转换后的各目标联合信号对应的多个目标公共原子,预设字典空间包括多个预设原子。
其中,多个目标公共原子用于对转换后的各目标联合信号进行稀疏表示。可选地,预设字典空间中的各原子可以基于可解释的核设置,关于/>核的说明,可参见前述的相关部分,在此不再赘述。
基于SAFD分解算法,则可以对转换后的各目标联合信号进行同时分解,以得到转换后的各目标联合信号对应的多个目标公共原子。需要说明的是,在进行分解时,可以进行多次分解以得到该多个目标公共原子。
举例说明,基于随机自适应傅立叶分解算法进行第一次分解时,可以从预设字典空间中确定转换后的各目标联合信号对应的第一目标公共原子,该第一目标公共原子可以对转换后的各目标联合信号进行第一次稀疏表示;第一次分解之后,对于转换后的各目标联合信号来说,可能仍然存在未能稀疏表示的部分信号,参见第一次分解的过程,可以对该未能稀疏表示的部分信号进行第二次分解,得到第二目标公共原子。当然,需要说明的是,根据实际的应用场景,还可以迭代进行第三次分解、第四次分解等,在此不作限定。各分解过程可参见第一次分解和第二次分解的过程,在此不再赘述。
此外,还需要说明的是,SAFD理论对应的是频率域的分解,且由于分解的特性,逐层提取特征时具有低层提取低频信息(轮廓),高层提取高频信息(细节)的特点,因此,将SAFD应用于视频压缩方法中,可以在实际压缩应用中满足不同视频质量需求或者压缩效率需求。
S302、根据转换后的各目标联合信号和多个目标公共原子,确定待压缩视频对应的目标压缩参数。
基于上述说明,在确定了多个目标公共原子之后,则可以根据转换后的各目标联合信号进一步确定待压缩视频对应的目标压缩参数。
可选地,每个目标公共原子中包括;公共压缩参数,其中,各目标公共原子可以是基于核的公共原子,参见前述/>核的表达式,参数ak也即公共压缩参数。在一些实施例中,各目标公共原子的公共压缩参数可以不同。
图5为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图5所示,上述根据转换后的各目标联合信号和多个目标公共原子,确定待压缩视频对应的目标压缩参数的步骤,包括:
S401、根据转换后的各目标联合信号和多个目标公共原子,确定待压缩视频对应的有理正交系统的压缩系数。
参见下述SAFD分解函数的表达式,也即该分解函数不断逼近于转换后的各目标联合信号时,可以确定待压缩视频对应的有理正交系统的压缩系数Ck。
为了更好地理解本申请,对于各连续W帧图像,下面结合具体的公式进行说明:
其中,k表示待压缩视频对应的自适应傅立叶分解的次数,取值为大于1的整数,N表示待压缩视频对应的总分解次数,i表示待压缩视频中各关键帧图像和其所对应的各残差图像分别被划分的图像块的数量,z表示复数化的自变量,f{i}(z)表示各连续W帧图像对应的目标联合信号对应的目标函数,Bk(z)表示基于有理正交系统进行第k次分解之后得到的有理正交函数,表示各连续W帧图像上第i个图像块对应的压缩系数,/>表示对待压缩视频进行N次分解之后,各连续W帧图像上第i个图像块对应的转换后的目标联合信号与N个目标公共原子对应的重构联合信号之间的信号差,也可以称为信号残差。
其中,‘<>’表示内积的计算,是/>简写形式,/>是/>的简写形式,表示第k次分解对应的计算函数;/>表示带有参数ak的标准化/>核,ak表示中的公共压缩参数,具体为第k个计算公共原子的单位圆盘中参数,/>表示al的共轭,关于其他参数的说明可参见前述公式,在此不再赘述。
S402、计算转换后的各目标联合信号和多个目标公共原子对应的重构联合信号之间的信号差。
S403、若确定信号差小于预设阈值,则确定各目标公共原子对应的公共压缩参数和有理正交系统对应的压缩系数为待压缩视频对应的目标压缩参数。
其中,通过计算转换后的各目标联合信号和多个目标公共原子对应的重构联合信号之间的信号差,根据该信号差可以确定多个目标公共原子对转换后的各目标联合信号进行稀疏表示时是否符合预设要求,其中,若确定信号差小于预设阈值,说明符合预设要求,那么此时可以确定各目标公共原子对应的公共压缩参数和有理正交系统对应的压缩系数为待压缩视频对应的目标压缩参数。多个目标公共原子对应的重构联合信号,可以表征多个目标公共原子对应的公共信号的和。
当然,需要说明的是,若确定信号差大于预设阈值,则说明不符合预设要求,那么此时可以参见前述的方法进一步确定至少一个目标公共原子,直至转换后的各目标联合信号和多个目标公共原子对应的重构联合信号之间的信号差小于预设阈值。
基于上述说明,值得说明的是,实际分解过程中,还可以与量化过程相结合,实现分层嵌入式量化,换句话说,可以在每次分解之后,对得到的公共压缩参数ak和压缩系数进行量化,以避免损失大量的信息,进一步提高了压缩性能。
可以理解的是,参见前述公式,若基于随机自适应傅立叶分解算法进行了N次分解,将对应a1、a2、...、aN共N个公共压缩参数, 共N×M个压缩系数。其中,需要说明的是,对于各公共压缩参数、各压缩系数来说,其分别包括实部和虚部,因此,待压缩视频对应的目标压缩参数包括:N×M+N个复数和2(N×M+N)个实数。
图6为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图6所示,上述获取待压缩视频中各连续W帧图像对应的目标联合信号的步骤,包括:
S501、获取待压缩视频中的关键帧图像和预测帧图像,并获取各预测帧图像与其所对应的关键帧图像之间的残差图像。
其中,可以对待压缩视频拆分为连续的单帧图像,每隔W帧图像设置一张关键帧图像,剩下的W-1帧作为预测帧图像。可选地,关键帧图像可以是W帧图像中的第一帧图像,也可以是最后一帧图像,在此不作限定,根据实际的应用场景可以灵活设置。
举例说明,若W=50,可以每隔50帧图像设置其中的第一帧图像为关键帧图像,剩下的49帧作为预测帧图像。
基于上述说明,在确定了各关键帧图像和预测帧图像之后,则可以计算各预测帧图像与其所对应的关键帧图像之间的残差图像。其中,各预测帧图像与其所对应的关键帧图像之间的残差图像,可以表征各预测帧图像与其所对应的关键帧图像之间的差异。
S502、根据各关键帧图像和其所对应的残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号。
其中,对于各连续W帧图像,可以获取该连续W帧图像中关键帧图像和与其所对应的残差图像对应的目标联合信号,使得通过该目标联合信号可以表征该连续W帧图像对应的时域信号和空域信号。
图7为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图7所示,上述根据各关键帧图像和其所对应的各残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号的步骤,可以包括:
S601、根据预设划分方法,将各关键帧图像和其所对应的各残差图像分别划分为I个图像块,I为大于1的整数。
可选地,预设划分方法可以包括图像划分方式和划分的图像块数量I,可选地,图像划分方式可以包括等尺寸划分、不等尺寸划分等,划分的图像块数量I可以为6个、8个、9个等,在此不作限定,根据实际的应用场景可以灵活设置。
在一些实施例中,以某一关键帧图像为例进行说明,可以将该关键帧等尺寸划分为9个图像块,对于该关键帧对应的各残差图像来说,可以采用相同的划分方式进行划分,将各残差图像划分为9个图像块。
S602、获取各关键帧图像和其所对应的各残差图像中各图像块的排列位置。
S603、对各关键帧图像和其所对应的各残差图像中排列位置相同的图像块对应的图像信号进行整合得到I个联合信号,并将I个联合信号作为待压缩视频中各连续W帧图像对应的目标联合信号。
其中,以某一关键帧图像为例进行说明,各图像块的排列位置可以表征各图像块在该关键帧图像中的像素坐标位置。
以一个连续W帧图像为例进行说明,在一些实施例中,在进行整合时,可以根据各图像块的排列位置,将该连续W帧图像中各关键帧图像中的各图像块与其所对应的各残差图像中的各图像块进行整合,得到图像块数量个联合信号,也即I个联合信号,此时可以将该I个联合信号作为该连续W帧图像对应的目标联合信号。对于其他的连续W帧图像,可参见该连续W帧图像的整合过程,在此不再赘述。
举例说明,以第一连续W帧图像中关键帧图像A1,该关键帧图像A1对应的残差图像B1为例进行说明,可选地,可以将该关键帧图像A1划分为等尺寸的a11、a12、a13、a21、a22、a23、a31、a32、a33共9个图像块,将该残差图像B1划分为等尺寸的b11、b12、b13、b21、b22、b23、b31、b32、b33共9个图像块,其中,以a11、a12、b11、b12为例进行说明,a11的排列位置与b11相对应,a12的排列位置与b12相对应,那么在进行整合时,可以将图像块a11与b11进行整合,得到第一联合信号;将图像块a12与b12进行整合,得到第二联合信号,其他图像块的整合参见该整合方式。基于该说明,可以看出,可以得到9个联合信号,该9个联合信号可以作为该第一连续W帧图像对应的目标联合信号。
图8为本申请实施例提供的又一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,若关键帧图像中包括彩色图像帧,如图8所示,上述根据预设划分方法,将各关键帧图像和其所对应的各残差图像分别划分为I个图像块的步骤可以包括:
S701、分别获取各关键帧图像和其所对应的各残差图像对应的红绿蓝通道图像。
S702、根据预设划分方法,将各通道图像划分为I个图像块。
其中,继续以关键帧图像A1为例进行说明,若该关键帧图像A1为彩色图像,对于该关键帧图像A1,可以分别获取其红色、绿色、蓝色通道对应的通道图像,参见前述的方法将各通道图像划分为I个图像块,并对各通道图像进行分别处理,从而可以得到红色、绿色、蓝色通道对应的目标联合信号。
进一步地,参加前述的方法可以根据红色、绿色、蓝色通道对应的目标联合信号,基于随机自适应傅立叶分解算法确定各通道视频对应的目标压缩参数;根据预设编码算法,对各通道视频对应的目标压缩参数进行编码,获取各通道视频的目标视频压缩结果。
基于上述说明,还需要说明的是,每个目标公共原子中的公共压缩参数可以通过下述随机极大选择原则获取:
其中,E表示基于各连续W帧图像上所有图像块求得的数学期望,i的取值为大于等于1且小于等于I的整数,关于其他参数的说明可参见前述公式,在此不再赘述。
图9为本申请实施例提供的另一种基于随机自适应傅里叶分解的联合时空视频压缩方法的流程示意图。可选地,如图9所示,根据预设编码算法,对待压缩视频对应的目标压缩参数进行编码,获取待压缩视频的目标视频压缩结果之后,上述方法还包括:
S801、对目标视频压缩结果进行解码,获取目标视频压缩结果对应的目标压缩参数。
S802、根据目标视频压缩结果对应的目标压缩参数,基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,获取解压后的目标视频。
在一些实施例中,当然,也可以对上述得到的目标视频压缩结果进行解码以得到原视频。其中,可以先通过解码操作,获取目标视频压缩结果对应的目标压缩参数,该目标压缩参数中可以包括至少一个公共压缩参数和至少一个压缩系数,根据该至少一个公共压缩参数和至少一个压缩系数,可以基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,得到各关键帧图像和其对应的各残差图像,基于各关键帧图像,可以对各残差图像对应的预测帧图像进行恢复,得到各预测帧图像,进而根据该关键帧图像和其对应的各预测帧图像可以对目标视频进行还原,可以理解的是,还原的目标视频也即前述的待压缩视频。
此外,还需要说明的是,上述关键帧图像、预设预测帧图像、以及残差图像的获取可以基于运动估计方法、运动补偿方法等帧间预测技术得到。
图10为本申请实施例提供的一种基于随机自适应傅里叶分解的联合时空视频压缩装置的功能模块示意图,该装置基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。如图10所示,该视频压缩装置包括:
获取模块110,用于获取待压缩视频中各连续W帧图像对应的目标联合信号,所述目标联合信号包括:时间域信号和空间域信号,所述W为大于1的整数;
确定模块120,用于根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数;
编码模块130,用于根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果。
在可选的实施方式中,所述确定模块120,具体用于对各所述目标联合信号进行希尔伯特变换,获取转换后的各目标联合信号;
根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述确定模块120,具体用于基于随机自适应傅立叶分解算法,从预设字典空间中确定所述转换后的各目标联合信号对应的多个目标公共原子,所述预设字典空间包括多个预设原子,其中,多个所述目标公共原子用于对转换后的各目标联合信号进行稀疏表示;
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,每个所述目标公共原子中包括;公共压缩参数;所述确定模块120,具体用于根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的有理正交系统的压缩系数;
计算所述转换后的各目标联合信号和多个所述目标公共原子对应的重构联合信号之间的信号差;
若确定所述信号差小于预设阈值,则确定各所述目标公共原子对应的公共压缩参数和所述有理正交系统对应的压缩系数为所述待压缩视频对应的目标压缩参数。
在可选的实施方式中,所述获取模块110,具体用于获取所述待压缩视频中的关键帧图像和预测帧图像,并获取各所述预测帧图像与其所对应的所述关键帧图像之间的残差图像;
根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,所述获取模块110,具体用于根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,所述I为大于1的整数;
获取各所述关键帧图像和其所对应的各所述残差图像中各图像块的排列位置;
对各所述关键帧图像和其所对应的各所述残差图像中排列位置相同的图像块对应的图像信号进行整合得到I个联合信号,并将所述I个联合信号作为待压缩视频中各连续W帧图像对应的目标联合信号。
在可选的实施方式中,若所述关键帧图像中包括彩色图像帧,所述获取模块110,具体用于分别获取各所述关键帧图像和其所对应的各所述残差图像对应的红绿蓝通道图像;
根据预设划分方法,将各通道图像划分为I个图像块。
在可选的实施方式中,所述编码模块130,还用于对所述目标视频压缩结果进行解码,获取所述目标视频压缩结果对应的目标压缩参数;
根据所述目标视频压缩结果对应的目标压缩参数,基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,获取解压后的目标视频。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图11为本申请实施例提供的一种电子设备结构示意图,该电子设备可以集成于上述视频压缩装置中。如图11所示,该电子设备可以包括:处理器210、存储介质220和总线230,存储介质220存储有处理器210可执行的机器可读指令,当电子设备运行时,处理器210与存储介质220之间通过总线230通信,处理器210执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于随机自适应傅里叶分解的联合时空视频压缩方法,其特征在于,包括:
获取待压缩视频中各连续W帧图像对应的目标联合信号,所述目标联合信号包括:时间域信号和空间域信号,所述W为大于1的整数;
根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数;
根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果。
2.根据权利要求1所述的方法,其特征在于,所述根据各连续W帧图像对应的目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数,包括:
对各所述目标联合信号进行希尔伯特变换,获取转换后的各目标联合信号;
根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述转换后的各目标联合信号,基于随机自适应傅立叶分解算法确定所述待压缩视频对应的目标压缩参数,包括:
基于随机自适应傅立叶分解算法,从预设字典空间中确定所述转换后的各目标联合信号对应的多个目标公共原子,所述预设字典空间包括多个预设原子,其中,多个所述目标公共原子用于对转换后的各目标联合信号进行稀疏表示;
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数。
4.根据权利要求3所述的方法,其特征在于,每个所述目标公共原子中包括;公共压缩参数;所述根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的目标压缩参数,包括:
根据所述转换后的各目标联合信号和多个所述目标公共原子,确定所述待压缩视频对应的有理正交系统的压缩系数;
计算所述转换后的各目标联合信号和多个所述目标公共原子对应的重构联合信号之间的信号差;
若确定所述信号差小于预设阈值,则确定各所述目标公共原子对应的公共压缩参数和所述有理正交系统对应的压缩系数为所述待压缩视频对应的目标压缩参数。
5.根据权利要求1所述的方法,其特征在于,所述获取待压缩视频中各连续W帧图像对应的目标联合信号,包括:
获取所述待压缩视频中的关键帧图像和预测帧图像,并获取各所述预测帧图像与其所对应的所述关键帧图像之间的残差图像;
根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述关键帧图像和其所对应的各所述残差图像,获取待压缩视频中各连续W帧图像对应的目标联合信号,包括:
根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,所述I为大于1的整数;
获取各所述关键帧图像和其所对应的各所述残差图像中各图像块的排列位置;
对各所述关键帧图像和其所对应的各所述残差图像中排列位置相同的图像块对应的图像信号进行整合得到I个联合信号,并将所述I个联合信号作为待压缩视频中各连续W帧图像对应的目标联合信号。
7.根据权利要求6所述的方法,其特征在于,若所述关键帧图像中包括彩色图像帧,所述根据预设划分方法,将各所述关键帧图像和其所对应的各所述残差图像分别划分为I个图像块,包括:
分别获取各所述关键帧图像和其所对应的各所述残差图像对应的红绿蓝通道图像;
根据预设划分方法,将各通道图像划分为I个图像块。
8.根据权利要求1所述的方法,其特征在于,所述根据预设编码算法,对所述待压缩视频对应的目标压缩参数进行编码,获取所述待压缩视频的目标视频压缩结果之后,所述方法还包括:
对所述目标视频压缩结果进行解码,获取所述目标视频压缩结果对应的目标压缩参数;
根据所述目标视频压缩结果对应的目标压缩参数,基于随机自适应傅立叶逆分解算法对目标视频压缩结果进行解压,获取解压后的目标视频。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210738985 | 2022-06-24 | ||
CN2022107389852 | 2022-06-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116916033A true CN116916033A (zh) | 2023-10-20 |
Family
ID=88360791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211004880.0A Pending CN116916033A (zh) | 2022-06-24 | 2022-08-22 | 一种基于随机自适应傅里叶分解的联合时空视频压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116916033A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW447062B (en) * | 1997-09-05 | 2001-07-21 | Univ Brown Res Found | Optical method for the characterization of the electrical properties of semiconductors and insulating films |
CA2307473A1 (en) * | 2000-04-13 | 2001-10-13 | Christopher R. Davy | The tachyon transceiver |
CN1463552A (zh) * | 2001-05-22 | 2003-12-24 | 皇家菲利浦电子有限公司 | 视频图像的分辨率的按比例缩减 |
US20040114817A1 (en) * | 2002-07-01 | 2004-06-17 | Nikil Jayant | Efficient compression and transport of video over a network |
US20130244710A1 (en) * | 2012-03-09 | 2013-09-19 | U.S. Army Research Laboratory ATTN: RDRL-LOC-1 | Method and System for Removal of Noise in Signal |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
US20170367590A1 (en) * | 2016-06-24 | 2017-12-28 | Universita' degli Studi di Trento (University of Trento) | Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions |
CN107615089A (zh) * | 2014-01-03 | 2018-01-19 | 朱宇东 | 压缩感知和mri的建模和验证方法 |
CN107886525A (zh) * | 2017-11-28 | 2018-04-06 | 南京莱斯信息技术股份有限公司 | 一种冗余数据数据字典压缩感知视频目标跟踪方法 |
CN110475117A (zh) * | 2019-09-26 | 2019-11-19 | 北京迈格威科技有限公司 | 图像压缩的方法、装置、电子设备和计算机存储介质 |
CN114257818A (zh) * | 2020-09-22 | 2022-03-29 | 阿里巴巴集团控股有限公司 | 视频的编、解码方法、装置、设备和存储介质 |
WO2022061563A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市大疆创新科技有限公司 | 视频编码方法、装置及计算机可读存储介质 |
-
2022
- 2022-08-22 CN CN202211004880.0A patent/CN116916033A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW447062B (en) * | 1997-09-05 | 2001-07-21 | Univ Brown Res Found | Optical method for the characterization of the electrical properties of semiconductors and insulating films |
CA2307473A1 (en) * | 2000-04-13 | 2001-10-13 | Christopher R. Davy | The tachyon transceiver |
CN1463552A (zh) * | 2001-05-22 | 2003-12-24 | 皇家菲利浦电子有限公司 | 视频图像的分辨率的按比例缩减 |
US20040114817A1 (en) * | 2002-07-01 | 2004-06-17 | Nikil Jayant | Efficient compression and transport of video over a network |
US20130244710A1 (en) * | 2012-03-09 | 2013-09-19 | U.S. Army Research Laboratory ATTN: RDRL-LOC-1 | Method and System for Removal of Noise in Signal |
CN107615089A (zh) * | 2014-01-03 | 2018-01-19 | 朱宇东 | 压缩感知和mri的建模和验证方法 |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
US20170367590A1 (en) * | 2016-06-24 | 2017-12-28 | Universita' degli Studi di Trento (University of Trento) | Self-adaptive matrix completion for heart rate estimation from face videos under realistic conditions |
CN107886525A (zh) * | 2017-11-28 | 2018-04-06 | 南京莱斯信息技术股份有限公司 | 一种冗余数据数据字典压缩感知视频目标跟踪方法 |
CN110475117A (zh) * | 2019-09-26 | 2019-11-19 | 北京迈格威科技有限公司 | 图像压缩的方法、装置、电子设备和计算机存储介质 |
CN114257818A (zh) * | 2020-09-22 | 2022-03-29 | 阿里巴巴集团控股有限公司 | 视频的编、解码方法、装置、设备和存储介质 |
WO2022061563A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市大疆创新科技有限公司 | 视频编码方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
张立明: "基于时空自适应预测的无损视频压缩 ’", 计算机工程与科学, 31 December 2004 (2004-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016138779A1 (zh) | 帧内编解码方法、编码器和解码器 | |
JP4425561B2 (ja) | イメージおよびビデオ符号化のための2−d変換 | |
CN108028941B (zh) | 用于通过超像素编码和解码数字图像的方法和装置 | |
US8750383B2 (en) | Systems and methods for wavelet and channel-based high definition video encoding | |
CN104255033B (zh) | 用于lm模式计算的简化查找表 | |
WO2011099080A1 (ja) | 画像符号化装置及び画像復号装置 | |
US7634148B2 (en) | Image signal transforming and inverse-transforming method and computer program product with pre-encoding filtering features | |
CN104967850A (zh) | 通过使用大变换单元对图像进行编码和解码的方法和设备 | |
US8170334B2 (en) | Image processing systems employing image compression and accelerated image decompression | |
Tomar et al. | Lossless image compression using differential pulse code modulation and its application | |
US8170333B2 (en) | Image processing systems employing image compression | |
Zhang et al. | Multiple linear regression for high efficiency video intra coding | |
CN113079378B (zh) | 图像处理方法、装置和电子设备 | |
CN104937934A (zh) | 图像边界邻域中的自回归像素预测 | |
WO2019004749A1 (ko) | 비디오 압축을 위한 변환 커널의 저복잡도 연산을 수행하는 방법 및 장치 | |
CN105163130B (zh) | 一种基于离散Tchebichef正交多项式的图像无损压缩方法 | |
WO2018014301A1 (zh) | 视频编码方法及装置 | |
US8170335B2 (en) | Image processing systems employing image compression and accelerated decompression | |
CN101083769A (zh) | 处理n比特视频数据的编/解码器和编/解码方法 | |
Shawahna et al. | JPEG image compression using the discrete cosine transform: an overview, applications, and hardware implementation | |
CN109672891B (zh) | Jpeg图像的无损二次压缩方法 | |
Pandey et al. | Block wise image compression & Reduced Blocks Artifacts Using Discrete Cosine Transform | |
CN116916033A (zh) | 一种基于随机自适应傅里叶分解的联合时空视频压缩方法 | |
Naidu et al. | A novel framework for JPEG image compression using baseline coding with parallel process | |
Zhang et al. | Leveraging progressive model and overfitting for efficient learned image compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |